专题：waveform-latent

LongCat-AudioDiT 是美团 LongCat 团队推出的波形潜空间扩散模型，直接在潜编码上进行 TTS 生成，摆脱梅尔谱等中间表示，实现零样本音色克隆。该方法通过噪声去噪采样提升了语音的保真度和相似度，在主观评价上显著优于传统流水线模型，为语音合成提供了全新端到端方案。